Urban Flood Susceptibility Mapping for Toronto, Canada, Using Supervised Regression and Machine Learning Models
Notice bibliographique
Résumé
ABSTRACT Floods are one of the most devastating natural hazards, causing adverse effects on human life, well‐being, property, and the environment. The application of five machine‐learning techniques in pluvial flood susceptibility mapping was investigated using the case study of two severe storms (2005 and 2013) in Toronto, Canada. Sixteen flood conditioning factors, including elevation, slope, topographic wetness index, stream power index, amount of permeable and impermeable surfaces, and more, were used to evaluate their importance in terms of flooding impacts for the 2005 and 2013 severe storms. Extreme gradient boosting (XGBoost) and an ensemble method are identified as the best models for the tracks of severe storms in 2005 and 2013. The AUROC (Area under the Receiver's Operating Characteristic Curve) analysis shows that precipitation was the most critical variable, followed by groundwater level and distance from sewers, during the two major storm events investigated. However, the flood susceptibility maps are specific and depend on the storm track and intensity‐duration characteristics for each significant storm event. Depending on the seasonal groundwater levels and the storm sewer drainage capacity of an area, the system may be overwhelmed, and houses may be flooded if the rainfall intensity and duration exceeds the urban stormwater drainage system capacity. This research provides a foundational understanding of the factors influencing urban flood risk and the statistical models that result from pluvial rainfall events. However, there is a need for more research on rainfall events with different tracks, intensities, and durations to provide reliable ensemble flood susceptibility mapping that could be used to calculate the flood risk for a given area.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».